零跑汽车世界模型技术解析：如何实现8.68万新车普及车位到车位导航

1次阅读

没有评论

共计 2204 个字符，预计需要花费 6 分钟才能阅读完成。

传统自动驾驶系统依赖高算力计算平台（如英伟达 Drive 系列）处理多传感器数据，导致整车成本居高不下。以某主流 L2+ 车型为例，仅计算单元成本就超过 2 万元，这与 10 万元以下车型的定位形成矛盾。

算力依赖症 ：传统方案需 30TOPS 以上算力运行高清地图匹配、稠密点云处理等算法
传感器冗余 ：普遍采用 16 线以上激光雷达 + 前向毫米波雷达 + 多目摄像头的组合方案
部署门槛高 ：需要专业团队进行传感器标定和系统集成，开发周期长达 18-24 个月

零跑汽车提出的世界模型技术，通过重构算法架构，在 5TOPS 算力平台实现了车位到车位导航，成本降低至传统方案的 1 /5。

零跑的世界模型采用 ” 传感器 - 特征 - 决策 ” 三级架构，关键在于用算法创新替代硬件堆砌。

传感器配置
前置 800 万像素单目摄像头（30fps）
4 个 100 万像素环视摄像头（15fps）
12 个超声波雷达（探测距离 4.5m）
1 个前向毫米波雷达（探测距离 160m）

数据处理流水线

graph TD
  A[原始数据] --> B(时空对齐)
  B --> C{特征提取}
  C -->| 视觉 | D[语义分割]
  C -->| 雷达 | E[目标聚类]
  D & E --> F[轻量化 3D 重建]
  F --> G[动态场景图]
  G --> H[路径规划]

决策逻辑
分层决策机制：将环境认知分解为静态要素（车道线、停车位）和动态要素（车辆、行人）
基于概率的融合策略：各传感器结果通过 D - S 证据理论融合

采用改进的 MobileNetV3 作为主干网络，针对车载场景优化：

输入分辨率降至 640×360
移除最后一层卷积，改用深度可分离卷积
输出 13 类语义标签（含车位线、减速带等特殊标识）

创新性地将高精地图转换为拓扑图结构：

class TopoMap:
    def __init__(self):
        self.nodes = []  # (x,y,node_type)
        self.edges = []  # (src_idx,dst_idx,weight)

    def add_parking_slot(self, corners):
        # 将车位四个角点转换为拓扑节点
        center = np.mean(corners, axis=0)
        self.nodes.append((center[0], center[1], 'parking'))

    def link_nodes(self, max_dist=5.0):
        # 自动连接邻近节点
        for i, (x1,y1,_) in enumerate(self.nodes):
            for j, (x2,y2,_) in enumerate(self.nodes[i+1:], i+1):
                dist = np.sqrt((x2-x1)**2 + (y2-y1)**2)
                if dist < max_dist:
                    self.edges.append((i,j,dist))

结合 A * 算法和动态权重调整：

def hybrid_a_star(start, goal, topo_map):
    open_set = PriorityQueue()
    open_set.put((0, start))

    while not open_set.empty():
        _, current = open_set.get()

        if distance(current, goal) < 1.0:
            return reconstruct_path(came_from, current)

        for neighbor in get_neighbors(current, topo_map):
            # 动态调整代价：距离 + 转向代价 + 障碍物风险
            new_cost = cost_so_far[current] + dynamic_cost(current, neighbor)

            if neighbor not in cost_so_far or new_cost < cost_so_far[neighbor]:
                cost_so_far[neighbor] = new_cost
                priority = new_cost + heuristic(neighbor, goal)
                open_set.put((priority, neighbor))
                came_from[neighbor] = current